下面是小编为大家整理的基于模糊标记语言和JFML物联网系统预防施工中高空坠落【优秀范文】,供大家参考。
和 基于模糊标记语言和 JFML 的物联网系统预防施工中高空坠落 落
抽象
建筑行业致命事故的主要原因是从高处坠落（FFH），不恰当地使用安全带通常与这些死亡有关。传统的方法，如现场检查，安全沟通或安全培训，不足以减轻与使用安全带管理不善相关的 FFH 引起的事故。虽然一些用于工人自动监控的技术解决方案可以改善安全条件，但由于建筑工地的特殊性，它们的使用并不频繁：复杂性，动态环境，户外工作场所等。然后，专业知识与技术的整合是一个关键问题。模糊逻辑系统（FLS）和物联网（IoT）具有许多潜在的好处，例如基于 FLS 和来自传感器的数据做出实时决策。在目前的研究中，提出了与 FLS 的 Java 模糊标记语言库集成的物联网系统的开发和测试，以支持专家在 FFH中的决策。根据不同 FFH 风险水平的工作条件，在 4 种施工场景中对方案进行了检查，取得了可喜的效果。
关键字：
物联网; 模糊标记语言;JFML; 从高处坠落; 监控; 安全; 建设 1. 引言
建筑工人传统上在建筑工地上接触危险活动。许多国家的高事故率证明了这一点，远至美利坚合众国（USA）[1]，挪威[2]，西班牙[3]，中国[4]和澳大利亚[5]。该行业的特殊性包括其复杂性，动态环境以及暴露在户外工作场所的气象条件[6，7]，这些都导致了这些高事故率。每天，从高处跌落（FFH）[8]、电气风险[9]、过度劳累[10]或被物体撞击等风险对建筑工人来说很常见[11]，尽管死亡的主要原因是 FFH[12]。作为致命事故的关键来源，已经制定了几种预防措施来减少职业 FFH，例如护栏，安全网，个人防护设备（PPE）[13]，工人的安全培训[14]和通过设计预防（PtD）[15]，以减少风险任务。不幸的是，与 FFH 相关的事故趋势还不容乐观[16]。
尽管引用了所有预防措施，这些措施对于预防 FFH 很重要，但在以前的研究[16]中发现，89%的受伤者没有正确配备坠落防护装置，例如安全带和生命线。
为了发展足够的安全监督，自动化安全监测被认为是工人监测和建筑工地安全性能的最有用的解决方案之一[17]。建筑工人的大多数常见安全隐患都基于传感器设备激发了不同的监控系统（表 表 1）。
现有技术提供了管理机会，将数据采集过程结合为从这些数据中获取关键信息的技术。
如今，有各种各样的物联网传感器网络来支持和改善人类执行的活动。无线传感器网络的一般结构，几个网络组件和无线标准可以在以前的研究中找到[25]。为了总结专注于基于无线的人类传感方法的现有解决方案，之前的作者讨论了基于 WiFi，Zigbee，BLE 和 RFID 的人类活动识别的人类传感应用[26]。
基于人机界面的方法也用于人机界面应用。从这个意义上说，视觉注意与眼手协调之间的关系[27，28，29]，不同基于Web 的媒体对人脑电波的影响[30]以及算法解决问题与执行功能[31]之间的关系已经研究过。
大量可用的传感器以及它们之间的通信带来了许多潜在的技术解决方案，以提高工作场所的安全性。物联网战略被认为是解决问题的相关解决方案。物联网范式描述了一个相互关联且唯一标识的计算设备系统。他们能够使用网络传输数据，并且不需要人工交互[32]。
此外，基于模糊集合论（FLS）[33]的基于规则的专家系统以前已经在广泛的问题上实现过。基于模糊系统的职业安全问题在以前的文献中被发现。在此背景下，一些作者提出了一种系统，通过基于模糊规则的分析来评估工人在建筑环境中的危害[34]。模糊系统允许人们管理与职业风险相关的不确定性。由于这种方法的潜在好处，在存在不确定性的情况下，其他部门（如加工业）已经提出了不同的安全评估建议[35]。其他作者提出了一种模糊风险评估方法，以提供职业危害的预防技术[36]。同样，通过考虑风险管理概念中固有的统计不确定性，提出了一种量化职业安全危害的方法[37]。
FLS 适用于获得数学模型的系统，并且包括专业知识非常困难或不可能。因此，发布了 FLS 的 IEEE 标准（IEEE Std 1855-2016）。
该提案集成了物联网基础设施，来自传感器的自动数据通信以及用于专家决策的 JFML。MQTT 协议用于通过 IoT 架构传达从传感器收集的信息。不同类型的传感器实时提供来自施工现场的输入，例如距离、高度和风速。从高处坠落的风险由颜色代码表示，表示风险评估的输出：绿色（低），黄色（中），橙色（高）和红色（非常高）。此外，还提出了使用与物联网集成的 JFML 库。
我们的论文结构如下：第 第 2 节描述了有关 FFH，物联网基础设施的相关文献，并简要描述了 JFML 库。在第 3 节中，我们描述了用于 FFH 风险检测的基础结构的设计和建议。第 第 4 节讨论了拟议的系统，并提供了一些与 FFH 风险相关的工作情况示例。
在第 5 节中，强调了结论。
2. 背景
在本节中，介绍了建筑领域的 FFH。其次，讨论了与物联网范式相关的概念的概述。最后，描述了 JFML 及其与物联网的联系。
2.1. 建筑工地的 FFH 管理
工人个人防坠落系统（PFAS）的管理并不容易，因为并非所有 PFAS 在建筑工地的每个地点都是强制性的。一般来说，PFAS 的使用受国家安全规则的监管，更具体地说是每个建筑项目的安全计划。根据任务和工作场所区域的风险水平，PFAS 可能是强制性的，但可能不是。例如，当工人在地面上工作时，将安全带连接到生命线而没有坠落的风险不是强制性的，但是一旦工人进入危险区域（例如脚手架，屋顶或类似区域），就应该将其连接到生命线。有时，防坠落系统在危险区域不可用;然而，一种常见的情况是，在工作场所可以使用安全带，但使用不当[8]。工人使用或不使用 PFAS 不是随机行为，因为决策受到不同变量的影响[38]。一些作者发现，性别、合同形式和安全培训都会影响建筑工人对 PPE 的适当使用[39]。同样，研究发现，组织因素的影响也很重要，例如关于 PPE 设备使用的 PPE 培训的可用性，或有关 PPE 的安全政策，以及其他个人变量，例如 PPE的知识和个人对 PPE 使用的看法[40]。此外，安全管理实践（如安全监督）被认为是可能影响 PPE 使用或不使用的关键因素[38]。在跌倒的特殊情况下，跌倒检测系统的想法并不是工人独有的。强大的跌倒检测系统可以及时解决老年人在家中摔倒以及工人在工作中跌倒的问题。在任何情况下，用于监测跌落的物联网解决方案都可以根据所使用的技术类型进行分类（表 表 2）。
每个现有系统都有其优点、缺点和限制。例如，基于卷积神经网络[42]的检测使用线束的工人意味着系统的复杂安装，其使用仅限于减少高空任务的数量。基于图像处理的类似系统[44，45]受到摄像机的安装和系统在特定区域的配置的限制。这些限制降低了它们在动态环境中的适用性，例如在建筑工地中。其他基于声学信号的建议在低噪声环境下非常有用[50]，但在嘈杂的环境中（例如建筑项目）它们的鲁棒性可能会大大降低。同样，基于 Eco [47]和超声系统[48]的跌倒检测系统的准确性和鲁棒性也会因存在意外障碍物和阻碍信号的材料而降低。此外，临时工作场所的通信基础设施成本可能特别高。相比之下，其他传感器技术，如 BLE [51]和 RFID [52]更适合建筑应用。这些技术的主要优点是配置简单，可维护性好，精度和稳定性好，功耗低[53]。此外，它们还具有与其他器件集成的高可能性[51，54]。在最近的一项提案[19]中，BLE 信标用于监测建筑工人正确使用 PFAS的情况;然而，检测到系统的一些局限性，例如缺乏实时反馈[51]。以下各节包括对以前制定的提案的说明。
物联网
物联网概念可以解释为一个相互关联的计算设备系统，这些设备能够通过网络传输数据而无需人工操作[26]。物联网系统由传感器和执行器组成，用于共享信息，共同执行任务并协调决策。通常，在物联网系统中，包括三层：
感知层 ：集成物理设备，如传感器和执行器。他们测量和获取数据，并处理与引用设备状态相关的信息。此外，该层将设备的信息传输到上层。
网络层 ：当前层从感知层接收数据，并将其传输到物理设备和应用程序。
应用层 ：网络层提供的信息由应用层接收，并在为处理此类数据而开发的服务和应用程序中使用此信息。
这三层之间使用的协议是消息队列遥测传输 （MQTT）
[55]。MQTT 协议基于 TCP/IP 创建连接，并且它们保持打开状态以供重用。引用的协议基于发布者/订阅者体系结构。
2.3. IEEE Std 1855- - 2016 和
JFML
IEEE Std 1855-2016 [56]提出了基于明确定义的 XML 元语言语法的模糊标记语言（FML），以人类可读和独立于硬件的方式表示 FLS[57]。FML 包括一个可扩展的模式，该模式定义了不同类型的 FLS 的基本组件 - 包括 Mamdani，Tsukamoto 和Takagi-Sugeno-Kang（TSK）[58];还包括最近的 AnYa [59]。
FML 中描述的 FLS 可以分为以下五个主要组成部分：模糊知识库;模糊规则库;推理引擎;模糊化子系统;去模糊化子系统。此外，所有组件都由子组件的层次结构描述，以便完全指定 FLS。所有这些组件都分组到 XML 标记中，这些标记具有计算它们的设备的 IP 地址，从而实现传感器和设备之间的网络互操作性。
JFML 库是一个开源 Java 库，允许基于 IEEE Std 1855-2016 [60]设计 FLS。使用引用的库允许实现标准中包含的所有FLS 类型。
3. IoT- -L JFML 到 H FFH 的提案
拟议系统的目的是防止建筑工人遭受 FFH 的侵害。系统考虑分布在施工现场区域的不同传感器获得的数据。传感器收集的数据与 FFH 事故中的重要变量有关。传感器与系统其余部分之间的通信基于无线功能。本提案确定并监测了 FFH 中最相关的因素。
安全带的使用。PFAS 的适当使用是 FFH 的一个关键因素，文献中已广泛发现[8，38]。
高度。工作场所身高是 FFH 的一个重要变量。FFH 事故的后果受跌落高度的影响[61]。
到坠落边缘的距离。在同一工作场所中，放置在靠近边缘的工人比位于远离边缘的工人更容易摔倒。此外，当工人被放置在较高的表面上时，他们视野的相关变化会影响他们的身体平衡。对 FFH 的恐惧与为人类姿势控制而采取的行动之间存在直接关系[62]。
风。建筑工地的天气条件不可能改变，因为建筑工地大多数是户外项目[63]。高风速可能对建筑工地产生负面影响[7]。
为了管理以前详细的变量，监控系统中包括以下传感器和设备。
BLE 接收器 （R);
集成了 BLE 的线束 （H），用于附件检测 （ );
虚拟屏障 （ ）
的 n 个 BLE 信标 （ , , ..., );
高度计 （ );
风速计（ ).
BLE 接收器专为物联网系统（R）而设计。它为扫描阶段接收的信标消息提供 RSSI 功率值。根据 RSSI 值，系统可以计算接收器和信标之间的距离[19]。同样，虚拟屏障 带有一组 BLE 信标（ , , ..., ）
用于提案 [64]。此外，工作场所的高度由连接到工人的高度传感器（Alt）检测到。此外，工作场所的风速由风速计（Anm ）
收集。在表 表 3 中，总结了传感器的信息和工作范围[65]。
根据传感器和收集的信息，可以评估许多工作条件，并且可以评估所执行任务的风险水平。例如，BLE 信标（ ）连接到生命线，结合接收器 BLE（R），可以监控连接到生命线的工作线程的连接。接收器（R）根据 RSSI 信号估计工人到线束锚地的距离[19]。当工人（R）和生命线之间的估计间隙（ ）小于给定距离，线束可视为与工人相连。
考虑到习惯性场景，根据施工安全专家的建议，将传感器放置在不同的工作场所。然后，收集有关工人及其安全状况的实时信息，并将其用作系统 IOT-JFML 中的输入数据。
图 1 描绘了具有分布式传感器的建筑工作场所。
从物联网- - JFML 架构到 FFH
物联网模块与 JFML 库相结合，提供了一个物联网基础设施，以生成 IEEE 标准 1855-2016 下的智能物联网解决方案。这些优势在之前的 FFH 提案中得到了应用。图 图 2 说明了所建议系统的描述。
该体系结构包括 JFML 实例、FML 文件、传感器、执行器和代理，以充当系统所有元素之间的导体。根据 FFH 的 IEEE std 1855-2016，专家知识由 FML 文件表示。传感器和执行器提供通过 MQTT 代理传递的信息，这些信息用于 JFML，以便根据 FML 文件中表示的专业知识进行推断。
MQTT 代理是一个 Mosquitto 实例[55]，因为它具有多功能性并且易于与元素集成;JFML 库在外部计算机或云中运行。代理和无线功能允许元素之间的通信。通信过程的常见过程描述如下：
传感器提供数据，这些数据将它们发布到“输入”主题中。然后，传感器应与其输入变量相关。例如，传感器 将数据发布到主题“input/Anm”中。同样，传感器 将数据发布到主题“input/Alt”等。
JFML 订阅了所有输入主题，以从传感器接收输入数据并将其分配给输入变量。这些输入变量在 FLS 中定义（根据 IEEE 标准 1855-2016 在 FML 文件中表示）。例如，JFML 订阅了主题“input/Alt”，“input/Anm”等，以从传感器接收数据。
和 分别。这些传感器分别与输入变量“ 高度 ”和“ 风速 ”相关联。
一旦所有传感器都发布了其信息，并且 JFML 已将这些值分配给输入变量，就会执行推理。根据 FML 文件中定义的输入值和规则库激活规则。
推理过程完成后，输出变量将从相应的去模糊化方法获取值。然后，JFML 将这些值发布到“输出”主题。
执行器接收数据，因此它们订阅了“输出”主题。因此，它们必须与输出变量相关联。
4. 案例研究
为了测试拟议的系统，进行了一个案例研究，重点是建筑工人的习惯情况和任务。专业知识和传感器/执行器被整合到提案中。在第 4.1 节中，描述了专业知识的定义;在第 4.4 节中，介绍了一些结果。
4.1. 模糊逻辑系统的表征
许多建筑工地场景及其职业风险水平可以通过采用设计的 IOT-JFML 系统来评估。为此，首先，必须定义 FLS，其中考虑了 FFH 的专业知识，以便选择变量...
